{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1320914"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1320914","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bacterial image analysis based on time-lapse microscopy","abstract":"H time-lapse μικροσκοπία επιτρέπει πλέον τη λεπτομερή δημιουργία δεδομένων από δυναμικές κυτταρικές διεργασίες σε επίπεδο μεμονωμένων κυττάρων (single cell level). Πρόσφατες μελέτες έχουν τονίσει τη χρήση και τη σημασία αυτής της τεχνολογίας για τη διερεύνηση του βιολογικού θορύβου στην έκφραση γονιδίων και των βιολογικών μονοπατιών. Μαθηματικά και στατιστικά μοντέλα για την περιγραφή και τον έλεγχο υποθέσεων σχετικά με τη δυναμική των βακτηριακών κοινοτήτων βασίζονται στην ανάλυση των \"ταινιών\" time-lapse εικόνων. Ωστόσο, η ανάλυση των ακολουθιών εικόνας είναι πολύ χρονοβόρα και επιρρεπής σε λάθη, δεδομένου ότι απαιτεί ακόμα και σήμερα σε μεγάλο βαθμό τη συμμετοχή ενός ανθρώπου εμπειρογνώμονα. Έχουμε αναπτύξει μία σωλήνωση (pipeline) αλγορίθμων που προσδιορίζει τα όρια των επιμέρους κυττάρων (βακτηριακή κατάτμηση) και τα ανιχνεύει στην πάροδο του χρόνου (ανίχνευση βακτηρίων), ακόμη και σε μεγάλου μεγέθους αποικίες μικροβίων, όπου υπάρχει μεγάλη δυσκολία στον εντοπισμό των ορίων μεμονωμένων κυττάρων. Η μεθοδολογία μας συνδυάζει προηγμένες τεχνικές από την επεξεργασία εικόνας και τη μηχανική μάθηση για την κατάτμηση των βακτηρίων και την παρακολούθηση της ανάπτυξης μιας αποικίας (κατασκευή δέντρου γενεαλογίας). Επιπλέον, είναι πλήρως αυτοματοποιημένη, υπολογιστικά αποδοτική και κατάλληλη για υψηλής ρυθμαπόδοσης ανάλυση χωρίς να απαιτείται παρέμβαση του χρήστη.","abstract_html":"H time-lapse μικροσκοπία επιτρέπει πλέον τη λεπτομερή δημιουργία δεδομένων από δυναμικές κυτταρικές διεργασίες σε επίπεδο μεμονωμένων κυττάρων (single cell level). Πρόσφατες μελέτες έχουν τονίσει τη χρήση και τη σημασία αυτής της τεχνολογίας για τη διερεύνηση του βιολογικού θορύβου στην έκφραση γονιδίων και των βιολογικών μονοπατιών. Μαθηματικά και στατιστικά μοντέλα για την περιγραφή και τον έλεγχο υποθέσεων σχετικά με τη δυναμική των βακτηριακών κοινοτήτων βασίζονται στην ανάλυση των &quot;ταινιών&quot; time-lapse εικόνων. Ωστόσο, η ανάλυση των ακολουθιών εικόνας είναι πολύ χρονοβόρα και επιρρεπής σε λάθη, δεδομένου ότι απαιτεί ακόμα και σήμερα σε μεγάλο βαθμό τη συμμετοχή ενός ανθρώπου εμπειρογνώμονα. Έχουμε αναπτύξει μία σωλήνωση (pipeline) αλγορίθμων που προσδιορίζει τα όρια των επιμέρους κυττάρων (βακτηριακή κατάτμηση) και τα ανιχνεύει στην πάροδο του χρόνου (ανίχνευση βακτηρίων), ακόμη και σε μεγάλου μεγέθους αποικίες μικροβίων, όπου υπάρχει μεγάλη δυσκολία στον εντοπισμό των ορίων μεμονωμένων κυττάρων. Η μεθοδολογία μας συνδυάζει προηγμένες τεχνικές από την επεξεργασία εικόνας και τη μηχανική μάθηση για την κατάτμηση των βακτηρίων και την παρακολούθηση της ανάπτυξης μιας αποικίας (κατασκευή δέντρου γενεαλογίας). Επιπλέον, είναι πλήρως αυτοματοποιημένη, υπολογιστικά αποδοτική και κατάλληλη για υψηλής ρυθμαπόδοσης ανάλυση χωρίς να απαιτείται παρέμβαση του χρήστη.","abstract_has_math":false,"creators":["Μπαλωμένος Αθανάσιος"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-11-19T05:26:32Z","subjects":[],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320914"],"render_values":[{"text":"uoadl:1320914","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320914","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1320914","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1320914","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Μπαλωμένος Αθανάσιος"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2014"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1320914","https://pergamos.lib.uoa.gr/uoa/dl/object/1320914"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["H time-lapse μικροσκοπία επιτρέπει πλέον τη λεπτομερή δημιουργία δεδομένων από δυναμικές κυτταρικές διεργασίες σε επίπεδο μεμονωμένων κυττάρων (single cell level). Πρόσφατες μελέτες έχουν τονίσει τη χρήση και τη σημασία αυτής της τεχνολογίας για τη διερεύνηση του βιολογικού θορύβου στην έκφραση γονιδίων και των βιολογικών μονοπατιών. Μαθηματικά και στατιστικά μοντέλα για την περιγραφή και τον έλεγχο υποθέσεων σχετικά με τη δυναμική των βακτηριακών κοινοτήτων βασίζονται στην ανάλυση των \"ταινιών\" time-lapse εικόνων. Ωστόσο, η ανάλυση των ακολουθιών εικόνας είναι πολύ χρονοβόρα και επιρρεπής σε λάθη, δεδομένου ότι απαιτεί ακόμα και σήμερα σε μεγάλο βαθμό τη συμμετοχή ενός ανθρώπου εμπειρογνώμονα. Έχουμε αναπτύξει μία σωλήνωση (pipeline) αλγορίθμων που προσδιορίζει τα όρια των επιμέρους κυττάρων (βακτηριακή κατάτμηση) και τα ανιχνεύει στην πάροδο του χρόνου (ανίχνευση βακτηρίων), ακόμη και σε μεγάλου μεγέθους αποικίες μικροβίων, όπου υπάρχει μεγάλη δυσκολία στον εντοπισμό των ορίων μεμονωμένων κυττάρων. Η μεθοδολογία μας συνδυάζει προηγμένες τεχνικές από την επεξεργασία εικόνας και τη μηχανική μάθηση για την κατάτμηση των βακτηρίων και την παρακολούθηση της ανάπτυξης μιας αποικίας (κατασκευή δέντρου γενεαλογίας). Επιπλέον, είναι πλήρως αυτοματοποιημένη, υπολογιστικά αποδοτική και κατάλληλη για υψηλής ρυθμαπόδοσης ανάλυση χωρίς να απαιτείται παρέμβαση του χρήστη.","Time-lapse microscopy now enables the continuous monitoring of dynamic cellular processes at the single cell level. Recent studies have highlighted the use and importance of this technology for investigating biological noise in genes expression and the behavior of biological pathways. Mathematical and statistical models for describing and testing hypotheses regarding the dynamics of bacterial communities rely on the analysis of time-lapse image \"movies\". However, the analysis of image sequences is very time consuming and error prone since it currently requires the heavy involvement of a human expert. We developed a pipeline of algorithms for determining the boundaries of individual cells (bacterial segmentation) and follow them over time (bacterial tracking), even in large-size microbial colonies, where there is great difficulty in identifying individual cell boundaries. Our methodology combines advanced image processing and machine learning techniques for segmentation of bacteria and monitoring the development of the colony (construction of the lineage tree). Furthermore it is fully automated, computationally efficient and suitable for high throughput image analysis without requiring any user intervention."]},{"key":"dc:title","label":"Title","values":["Bacterial image analysis based on time-lapse microscopy"]}]}],"canonical_facts":{"dc:creator":["Μπαλωμένος Αθανάσιος"],"dc:date":["2014"],"dc:description":["H time-lapse μικροσκοπία επιτρέπει πλέον τη λεπτομερή δημιουργία δεδομένων από δυναμικές κυτταρικές διεργασίες σε επίπεδο μεμονωμένων κυττάρων (single cell level). Πρόσφατες μελέτες έχουν τονίσει τη χρήση και τη σημασία αυτής της τεχνολογίας για τη διερεύνηση του βιολογικού θορύβου στην έκφραση γονιδίων και των βιολογικών μονοπατιών. Μαθηματικά και στατιστικά μοντέλα για την περιγραφή και τον έλεγχο υποθέσεων σχετικά με τη δυναμική των βακτηριακών κοινοτήτων βασίζονται στην ανάλυση των \"ταινιών\" time-lapse εικόνων. Ωστόσο, η ανάλυση των ακολουθιών εικόνας είναι πολύ χρονοβόρα και επιρρεπής σε λάθη, δεδομένου ότι απαιτεί ακόμα και σήμερα σε μεγάλο βαθμό τη συμμετοχή ενός ανθρώπου εμπειρογνώμονα. Έχουμε αναπτύξει μία σωλήνωση (pipeline) αλγορίθμων που προσδιορίζει τα όρια των επιμέρους κυττάρων (βακτηριακή κατάτμηση) και τα ανιχνεύει στην πάροδο του χρόνου (ανίχνευση βακτηρίων), ακόμη και σε μεγάλου μεγέθους αποικίες μικροβίων, όπου υπάρχει μεγάλη δυσκολία στον εντοπισμό των ορίων μεμονωμένων κυττάρων. Η μεθοδολογία μας συνδυάζει προηγμένες τεχνικές από την επεξεργασία εικόνας και τη μηχανική μάθηση για την κατάτμηση των βακτηρίων και την παρακολούθηση της ανάπτυξης μιας αποικίας (κατασκευή δέντρου γενεαλογίας). Επιπλέον, είναι πλήρως αυτοματοποιημένη, υπολογιστικά αποδοτική και κατάλληλη για υψηλής ρυθμαπόδοσης ανάλυση χωρίς να απαιτείται παρέμβαση του χρήστη.","Time-lapse microscopy now enables the continuous monitoring of dynamic cellular processes at the single cell level. Recent studies have highlighted the use and importance of this technology for investigating biological noise in genes expression and the behavior of biological pathways. Mathematical and statistical models for describing and testing hypotheses regarding the dynamics of bacterial communities rely on the analysis of time-lapse image \"movies\". However, the analysis of image sequences is very time consuming and error prone since it currently requires the heavy involvement of a human expert. We developed a pipeline of algorithms for determining the boundaries of individual cells (bacterial segmentation) and follow them over time (bacterial tracking), even in large-size microbial colonies, where there is great difficulty in identifying individual cell boundaries. Our methodology combines advanced image processing and machine learning techniques for segmentation of bacteria and monitoring the development of the colony (construction of the lineage tree). Furthermore it is fully automated, computationally efficient and suitable for high throughput image analysis without requiring any user intervention."],"dc:identifier":["uoadl:1320914","https://pergamos.lib.uoa.gr/uoa/dl/object/1320914"],"dc:language":["English"],"dc:title":["Bacterial image analysis based on time-lapse microscopy"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:26:32Z"}